پرش به محتوای اصلی

موضوع

مدل‌های بازوزن

Open-source models, open weights, local hosting, licensing

۲٬۰۳۸ مقاله منتشر شده

مدل EMO و معماری MoE؛ حفظ عملکرد کامل با حذف ۸۷.۵٪ از متخصصان

مدل EMO و معماری MoE؛ حفظ عملکرد کامل با حذف ۸۷.۵٪ از متخصصان

پژوهشگران مؤسسه Allen و دانشگاه برکلی مدلی به نام EMO را معرفی کردند که با سازمان‌دهی متخصصان بر اساس دامنه‌های معنایی، عملکرد خود را حتی با حذف ۸۷.۵٪ از ظرفیت متخصصان حفظ می‌کند.

۳ دقیقه خواندن
چرا برای اجرای عامل‌های هوش مصنوعی دیگر نیازی به سرورهای ابری ندارید؟
آموزش کاربردی

چرا برای اجرای عامل‌های هوش مصنوعی دیگر نیازی به سرورهای ابری ندارید؟

توسعه‌دهندگان با استفاده از Hermes Agent و Termux، گوشی‌های اندرویدی را به ایستگاه‌های کاری هوش مصنوعی تبدیل می‌کنند. این عامل‌های خودگردان بدون نیاز به ابر، مخازن گیت‌هاب را…

۲ دقیقه خواندن۲
گزارش dev.to: کاهش ۱۰ برابری هزینه استنتاج با یکپارچه‌سازی ۴۳ مدل هوش مصنوعی
آموزش کاربردی

گزارش dev.to: کاهش ۱۰ برابری هزینه استنتاج با یکپارچه‌سازی ۴۳ مدل هوش مصنوعی

یک درگاه API متن‌باز جدید، ۴۳ مدل از ۱۳ ارائه‌دهنده مختلف را زیر یک نقطه اتصال واحد جمع کرده است. این ابزار با مسیریابی هوشمند، هزینه‌های استنتاج را تا ۱۰ برابر کاهش می‌دهد.

۲ دقیقه خواندن
درون سقوط خانواده لینگ: چرا حاکمیت خودکار عامل‌های هوش مصنوعی شکست خورد؟

درون سقوط خانواده لینگ: چرا حاکمیت خودکار عامل‌های هوش مصنوعی شکست خورد؟

۱۲ عامل هوش مصنوعی در یک آزمایش سه هفته‌ای سعی کردند سیستمی خودگردان ایجاد کنند، اما تمایل آن‌ها به «اتمام تکلیف» به‌جای «دقت»، منجر به فلج کامل و نقض امنیتی شد.

۲ دقیقه خواندن
درون معماری Osaurus: تبدیل مک به سروری برای مدیریت مدل‌های محلی و ابری

درون معماری Osaurus: تبدیل مک به سروری برای مدیریت مدل‌های محلی و ابری

پروژه متن‌باز Osaurus به کاربران مک اجازه می‌دهد تا مدل‌های محلی و ابری را در یک محیط امن و ایزوله مدیریت کنند. این ابزار با انتقال کنترل داده‌ها از مراکز داده به سخت‌افزار شخصی،…

۲ دقیقه خواندن
گزارش Metabase: نرخ کشف باگ‌های امنیتی با هوش مصنوعی ۱۰ برابر شد

گزارش Metabase: نرخ کشف باگ‌های امنیتی با هوش مصنوعی ۱۰ برابر شد

عامل‌های کدنویس مبتنی بر هوش مصنوعی در حال شکار گسترده‌ی حفره‌های امنیتی در مخازن متن‌باز هستند. این روند باعث شده برخی شرکت‌ها برای فرار از چرخه‌ی بی‌پایان اصلاح باگ، مدل‌های خود…

۲ دقیقه خواندن۱
چگونه whichllm انتخاب مدل‌های محلی را از حدس و گمان به داده تبدیل کرد؟
آموزش کاربردی

چگونه whichllm انتخاب مدل‌های محلی را از حدس و گمان به داده تبدیل کرد؟

ابزار جدید whichllm با اولویت دادن به بنچمارک‌های واقعی به‌جای تعداد پارامترها، بهترین مدل محلی را برای سخت‌افزار شما پیشنهاد می‌دهد. این ابزار مشخصات GPU و CPU را شناسایی کرده و…

۲ دقیقه خواندن۲